[發(fā)明專利]一種基于動(dòng)態(tài)內(nèi)核極限學(xué)習(xí)機(jī)的電磁場(chǎng)建模仿真方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201810008102.6
• 申請(qǐng)日: 2018-01-04
• 公開（公告）號(hào): CN108229026B
• 公開（公告）日: 2021-07-06
• 發(fā)明（設(shè)計(jì)）人: 肖理業(yè);邵維;喻夢(mèng)霞
• 申請(qǐng)（專利權(quán)）人: 電子科技大學(xué)
• 主分類號(hào): G06F30/27
• 分類號(hào): G06F30/27;G06N20/00
• 代理公司: 電子科技大學(xué)專利中心 51203
• 代理人: 鄒裕蓉

本發(fā)明提供了一種基于動(dòng)態(tài)內(nèi)核極限學(xué)習(xí)機(jī)的電磁場(chǎng)建模仿真方法，屬于電磁場(chǎng)建模仿真技術(shù)領(lǐng)域。本發(fā)明所述方法通過增加學(xué)習(xí)、減少學(xué)習(xí)或混合學(xué)習(xí)，可以在當(dāng)前訓(xùn)練精度不滿足要求時(shí)，無需進(jìn)行大規(guī)模的重新訓(xùn)練，因此動(dòng)態(tài)內(nèi)核極限學(xué)習(xí)機(jī)可以僅用少量的訓(xùn)練樣本即可達(dá)到訓(xùn)練要求的精度。

技術(shù)領(lǐng)域

本發(fā)明屬于電磁場(chǎng)建模仿真技術(shù)領(lǐng)域，具體涉及一種基于動(dòng)態(tài)內(nèi)核極限學(xué)習(xí)機(jī)的電磁場(chǎng)建模仿真方法。

背景技術(shù)

近些年來，基于神經(jīng)網(wǎng)絡(luò)的計(jì)算機(jī)輔助設(shè)計(jì)方法被認(rèn)為是一種高效的電磁場(chǎng)仿真建模技術(shù)。一旦完成訓(xùn)練過程，訓(xùn)練成熟的神經(jīng)網(wǎng)絡(luò)能替代耗時(shí)的電磁場(chǎng)仿真而明顯的加快電磁場(chǎng)仿真建模和設(shè)計(jì)。將神經(jīng)網(wǎng)絡(luò)和傳遞函數(shù)構(gòu)建為神經(jīng)網(wǎng)絡(luò)-傳遞函數(shù)模型被認(rèn)為是一種先進(jìn)的設(shè)計(jì)方法。

文獻(xiàn)“A new training approach for parametric modeling of microwavepassive components using combined neural networks and transfer functions”公開了一種解決傳遞函數(shù)不連續(xù)性問題的神經(jīng)網(wǎng)絡(luò)-傳遞函數(shù)的方法；文獻(xiàn)“High-dimensionalneural-network technique and applications to microwave filter modeling”公開了一種分解高維器件并對(duì)每一個(gè)低維部分進(jìn)行建模仿真的神經(jīng)網(wǎng)絡(luò)-傳遞函數(shù)的方法；文獻(xiàn)“Parametric modeling of EM behavior of microwave components using combinedneural networks and pole-residue-based transfer functions”公開了一種基于新型傳遞函數(shù)的神經(jīng)網(wǎng)絡(luò)-傳遞函數(shù)的方法。當(dāng)訓(xùn)練精度無法滿足要求時(shí)，目前所公開的方法只有對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行重新訓(xùn)練，這種方式費(fèi)時(shí)費(fèi)力，而且并沒有用到之前的訓(xùn)練結(jié)果，造成計(jì)算資源的浪費(fèi)。

在神經(jīng)網(wǎng)絡(luò)-傳遞函數(shù)模型建立的過程中，最耗時(shí)的地方是需要反復(fù)收集訓(xùn)練數(shù)據(jù)。訓(xùn)練樣本的個(gè)數(shù)對(duì)神經(jīng)網(wǎng)絡(luò)-傳遞函數(shù)模型的精度有著很大的影響。通常，在最初建立神經(jīng)網(wǎng)絡(luò)-傳遞函數(shù)模型時(shí)，訓(xùn)練樣本的個(gè)數(shù)的確定一般基于經(jīng)驗(yàn)或者試驗(yàn)。從測(cè)試誤差可以看出，當(dāng)訓(xùn)練樣本不足的時(shí)候會(huì)因?yàn)榍酚?xùn)練而導(dǎo)致模型不精確。相反，當(dāng)訓(xùn)練樣本過多時(shí)，會(huì)因過擬合同樣導(dǎo)致模型不精確。后來，實(shí)驗(yàn)設(shè)計(jì)方法被用于確定訓(xùn)練和測(cè)試樣本。在實(shí)驗(yàn)設(shè)計(jì)方法中，訓(xùn)練樣本的個(gè)數(shù)根據(jù)實(shí)驗(yàn)設(shè)計(jì)方法的階數(shù)而確定，但是不同階數(shù)的實(shí)驗(yàn)設(shè)計(jì)方法所對(duì)應(yīng)的訓(xùn)練個(gè)數(shù)是不連續(xù)的。比如說，7階的樣本個(gè)數(shù)為49，8階的樣本個(gè)數(shù)為64。由于不連續(xù)性，很難確定一個(gè)準(zhǔn)確的訓(xùn)練樣本個(gè)數(shù)。因此如何選擇一個(gè)合適數(shù)量的訓(xùn)練樣本來提高模型的精度并且節(jié)約時(shí)間是一個(gè)尚未量化解決的問題。

發(fā)明內(nèi)容

本發(fā)明的目的是提供一種基于動(dòng)態(tài)內(nèi)核極限學(xué)習(xí)機(jī)的電磁場(chǎng)建模仿真方法，以解決現(xiàn)有的在神經(jīng)網(wǎng)絡(luò)-傳遞函數(shù)模型時(shí)，不能準(zhǔn)確地建立合適數(shù)量的訓(xùn)練樣本，從而造成浪費(fèi)時(shí)間的問題。

本發(fā)明所提出的技術(shù)問題是這樣解決的：

本發(fā)明提供一種基于動(dòng)態(tài)內(nèi)核極限學(xué)習(xí)機(jī)的電磁場(chǎng)仿真方法，當(dāng)訓(xùn)練精度不能滿足要求時(shí)，動(dòng)態(tài)內(nèi)核極限學(xué)習(xí)機(jī)可以在不用進(jìn)行大規(guī)模重新訓(xùn)練的基礎(chǔ)上，僅用少量的訓(xùn)練樣本即可達(dá)到訓(xùn)練要求的精度，具體包括以下步驟：

步驟1：用一個(gè)初始的樣本數(shù)量建立一個(gè)初始的訓(xùn)練數(shù)集；

步驟2：用得到的訓(xùn)練數(shù)集對(duì)動(dòng)態(tài)內(nèi)核極限學(xué)習(xí)機(jī)進(jìn)行訓(xùn)練并且評(píng)估訓(xùn)練后動(dòng)態(tài)內(nèi)核極限學(xué)習(xí)機(jī)的精度是否達(dá)到要求；若沒有達(dá)到精度要求則轉(zhuǎn)至步驟3，若達(dá)到精度要求則轉(zhuǎn)至步驟4；

步驟3：重新訓(xùn)練動(dòng)態(tài)內(nèi)核極限學(xué)習(xí)機(jī)，包括如下三種情形：

當(dāng)動(dòng)態(tài)內(nèi)核極限學(xué)習(xí)機(jī)處于欠訓(xùn)練狀態(tài)時(shí)，增加學(xué)習(xí)；

當(dāng)動(dòng)態(tài)內(nèi)核極限學(xué)習(xí)機(jī)處于過擬合狀態(tài)時(shí)，減法學(xué)習(xí)；

當(dāng)動(dòng)態(tài)內(nèi)核極限學(xué)習(xí)機(jī)的訓(xùn)練數(shù)據(jù)集需要被延伸或者平移時(shí)，混合學(xué)習(xí)；